estudio morfológico en conos de crecimiento mediante análisis
TRANSCRIPT
Estudio morfológico en conos de crecimiento Estudio morfológico en conos de crecimiento mediante análisis de componentes mediante análisis de componentes
principales y modelos ocultos de Markovprincipales y modelos ocultos de Markov
Autor: Jhon Jairo Sáenz GamboaDirigido por: Ph.D. Jon Ander Gómez Adrián
Ph.D. María de la Iglesia Vayá
Valencia, EspañaMarzo, 2017
Contenido
UPV Universitat Politècnica de València 2
1.Introducción
• Hipótesis
• Objetivo general
2.Materiales y Metodos
3.Resultados
4.Conclusiones
1. Introducción
Patogénesis molecular de la ataxia de Friedreich
1863 Nikolaus Friedreich: “Atrofia degenerativa de las columnas posteriores y de la medula espinal”
FRDA: OMIM 229300, ORPHA95: enfermedad rara de edad pediátrica, prevalencia en la población caucásica: 4,7 /100,000, una ataxia espinocerebelosa de herencia autosómica recesiva.
UPV Universitat Politècnica de València 3
SÍNTOMAS: Debilidad muscular en brazos y piernas Pérdida de la coordinación Discapacidad auditiva y de la visión Dificultad para hablar Escoliosis Pie cavo Diabetes Cardiomiopatía
GAA5-30
GAA70-1000
Déficit de frataxina
Hipótesis
UPV Universitat Politècnica de València 4
Déficit de frataxina en neuronas sensitivas de los Ganglios de la Raíz
Dorsal (DRG).
axon
cuerpo celular (soma)
axon
Cono de crecimiento
Neurona sensitiva adulta en crecimiento Morfología del cono
de crecimiento
El déficit de frataxina afecta la morfología y dinámica de los conos de crecimiento en neuronas sensitivas adultas.
Objetivo general
Cuantificación y clasificación de la dinámica de los conos de crecimiento en neuronas sensitivas del ratón YG8sR para la ataxia de Friedreich mediante el análisis de componentes principales y modelos ocultos de Markov.
UPV Universitat Politècnica de València 5
Conjunto de datos
Adquisición de archivos Time Lapse de los conos de crecimiento:
•Microscopía: Contraste de fases
•Duración de cada video: 1 hora ( 120-121 frames)
•Tiempo entre cada frame: 30 sec
•Tamaño imagen: 1296X1024px, 1px equivale a 0.1675 um
UPV Universitat Politècnica de València 6
Modelo murino para la FRDA (YG8sR) Ratón Control (Y47R)
Cultivo primario in vitro de neuronas sensitivas en 3 edades: 2, 6 y 9 meses
Etapas del estudio
UPV Universitat Politècnica de València 7
2. Materiales y métodos
1. Procesamiento de la imagen.
2. Extracción de las características de la dinámica de los conos de crecimiento.
3. Análisis mediante componentes principales (PCA).
4. Modelo de clasificaciónModelos Ocultos de Markov (HMM)
UPV Universitat Politècnica de València 8
Procesamiento de la imagen
9
Atá
xico
(YG
8sR)
Normalización
Ajuste de Intensidad
Ecualización de Histograma
Correspondencia de HistogramaCo
ntro
l (Y
47R)
Binarización
UPV Universitat Politècnica de València 10
Umbralización
Transformada H-Min
Método implementado para la búsqueda del parámetro h
Eliminar Falsos Positivos
Rotar y Centrar
Segmentación semi-automática
UPV Universitat Politècnica de València 11
Time lapse FRAMES
171 20618
2. Materiales y métodos
1. Procesamiento de la imagen.
2. Extracción de las características de la dinámica de los conos de crecimiento.
3. Análisis mediante componentes principales (PCA).
4. Modelo de clasificaciónModelos Ocultos de Markov (HMM)
UPV Universitat Politècnica de València 12
Extracción de características
UPV Universitat Politècnica de València 13
* Goodhill, Faville et al. 2015
2. Materiales y metodos
1. Procesamiento de la imagen.
2. Extracción de las características de la dinámica de los conos de crecimiento.
3. Análisis de componentes principales (PCA).
4. Modelo de clasificaciónModelos Ocultos de Markov (HMM)
UPV Universitat Politècnica de València 14
Análisis de Componentes Principales (PCA)
15
Objetivo
•Exploración, relación entre variables•Comparación de grupos de variables•Verificación de agrupamientos•Reducción de dimensionalidad•Creación de nuevas variables
Características fundamentales:
•Son ortogonales entre si•No están correlacionados entre ellos•Cada componente contiene información de todos las variables en diferentes proporciones•Primer componente es el que recoge mayor variabilidad•De la variabilidad restante, el segundo es el que incluye más
UPV Universitat Politècnica de València 16
Atáxico 2 Meses Control 2 Meses
UPV Universitat Politècnica de València 17
Biblot de variables y observaciones
UPV Universitat Politècnica de València18
Atáxico (YG8sR) 2 meses Control 2 meses
UPV Universitat Politècnica de València 19
2. Materiales y métodos
1. Procesamiento de la imagen.
2. Extracción de las características de la dinámica de los conos de crecimiento.
3. Análisis mediante componentes principales (PCA).
4. Modelo de clasificaciónModelos Ocultos de Markov (HMM)
UPV Universitat Politècnica de València 20
Dimensiones PCA
[4,5,6,7,8,9,10,11,12,13,14,16,18,20,22,25,30,40]
0,6 0,4
Número de estados HMM = [5,6,8,10,12,14,15,16,18,20,22,25,30]
Mixturas de gaussianas = [1,2,3]
Número de repeticiones = [2,4]
Edad ClaseTime lapse
Entr. Test
2Control 40 24 16
Atáxico 19 11 8
6Control 28 17 11
Atáxico 22 13 9
9Control 25 15 10
Atáxico 37 22 15
Modelos de clasificación: Modelos Ocultos de Markov (HMM)
21
Datos
Una prueba sensible detectará a todos Una prueba sensible detectará a todos los conos que sufren ataxialos conos que sufren ataxia
Una prueba específica no clasificará Una prueba específica no clasificará como atáxicos los conos que no lo como atáxicos los conos que no lo estánestán.
El valor global, Exactitud, mide la El valor global, Exactitud, mide la capacidad del modelo para clasificar capacidad del modelo para clasificar correctamente los individuos en correctamente los individuos en subgrupos. subgrupos.
Evaluación del modelo
UPV Universitat Politècnica de València 22
3. Resultados
UPV Universitat Politècnica de València 23
1. Resultados PCA
2. Resultados HMM
CaracterísticaAtáxico
2mControl
2mAtáxico
6mControl
6mAtáxico
9mControl
9m# CP. Var. Acum.
>95%7 4 5 5 4 4
Correlación (+/-).
Variable (X, Y),
Zona (B, LI, S,
SI, SD, LD)
CP1 +Y +Y +Y +Y -XS +Y -XS +Y
CP2 +X +X +X+X +YSD
+X+X
+YS
CP3+XLI -XLD
-YS +YLD
+XLI -XLD -YSI +YLD
+XLI -XLD -YSI +YSD
+YLD
-XSI +XSD +XLD -YLI
+YS -YLD
+XLI -XLD +YLD
-YS +YLD
-XLI +XSI -XLI
+YLD -YSI
Zonas propuestas en el cono de crecimiento
UPV Universitat Politècnica de València 24
UPV Universitat Politècnica de València 25
3. Resultados
UPV Universitat Politècnica de València 26
1. Resultados PCA
2. Resultados HMM
Mejores Resultados HMM
Edad PCA Rep. Mixt. Est. Dim PCA Sensibilidad Especificidad Exactitud
2 meses Coordenadas y Ángulos 4 1 15 30 0,575 0,913 0,8
6 meses Coordenadas 4 2 24 27 0,8 0,792 0,795
9 meses Coordenadas y Ángulos 4 2 14 22 0,833 0,74 0,796
Todos Coordenadas y Ángulos 4 2 10 12 0,666 0,729 0,7
UPV Universitat Politècnica de València 27
UPV Universitat Politècnica de València 28
Selección del modelo
1. El procesamiento de la imagen es una etapa fundamental para el análisis semi-automatizado de la morfología. Con base en la experiencia adquirida al procesar nuestro conjunto de imágenes, proponemos que las mejores condiciones para adquirir las imágenes son: Adquisión motorizada. Microscopia de contraste de fases tipo DIC (microscopía diferencial de contraste de interferencia). Tiempo total de time lapse: 1hora. Tiempo entre frames: 30 sec. Tiempo de exposición de la luz mínima de 10 ms. Resolución: mínima de 20x y máxima de 40x. El procesamiento de la imagen es una etapa fundamental
2. Se elaboraron aplicaciones y métodos de procesamiento ajustados para resolver la complejidad de los datos.3. Se aplicó el análisis “Eigenshape”, para extraer las características descriptivas de la forma de los conos de
crecimiento axonal pertenecientes a las dos poblaciones (clases): Control (Y47R) y Atáxico(YG8sR). 4. El análisis mediante PCA exhibió que la dinámica de la morfología de los conos de crecimiento de neuronas
sensitivas adultas del ratón YG8sR, está alterada. Esta observación sugiere que el déficit de frataxina afecta la dinámica de la morfología de los conos de crecimiento en neuronas sensitivas adultas.
4. Conclusiones
UPV Universitat Politècnica de València 29
4. Conclusiones
UPV Universitat Politècnica de València 30
Agradecimientos Esta investigación se desarrolla como parte de la investigación de doctorado:
Estudio de la dinámica del crecimiento axonal de las neuronas sensoriales en el modelo de ratón yg8sr para la ataxia de Friedreich.
Investigador:Dra. Diana Carolina Muñoz Lasso
Universitat Politècnica de València
En colaboración con:Laboratorio de Fisiopatología de las Enfermedades Raras
Universidad de Valenciay el grupo de Investigación:
Centro de Excelencia e Innovación Tecnológica de Bioimagen, Conselleria de Sanitat (CEIB-CS) Unidad Mixta FISABIO y el Centro de Investigación Prince Felipe (CIPF)
UPV Universitat Politècnica de València 31
• MathWorks. (s.f.). Image Batch Processor App. Recuperado el Enero de 2017, de https://es.mathworks.com/help/images/batch-processing-using-the-image-batch-processor-app.html
• MathWorks. (s.f.). Matlab. Recuperado el 29 de 12 de 2016, de https://es.mathworks.com/products/matlab.html• N. M. (1999). Generalizing and extending the eigenshape method of shape space visualization and analysis. Paleobiology, 25(1),
107-138.• Ø. H., & D. H. (20069). Paleontological Data Analysis. Malden: Blackwell Publishing.• Sáenz Gamboa, J. J. (2015). Visión estereoscópica en la estimación de fondo mediante análisis de histogramas de disparidad.
Valencia: Universidad Politécnica de Valencia, Proyecto Final De Carrera.• Santamaría, M. V., & Palacios, R. P. (2005). Comparison of illumination normalization methods for face recognition. Biometrics
on the Internet, 27-30.• Shlens, J. (2014). A Tutorial on Principal Component Aanalysis. ArXiv e-prints, Google Research, Mountain View.• Goodhill, G. J., Faville, R. A., & Scott, E. K. (2015). The dynamics of growth cone morphology. Goodhill et al. BMC Biology.• Jierong Cheng, J. C. (2009). Segmentation of Clustered Nuclei With Shape Markers and Marking Function. IEEE
TRANSACTIONS ON BIOMEDICAL ENGINEERING, 56(3), 741-748.• Johnson, D. E. (2000). Métodos multivariados aplicados al análisis de datos. México: Thomson Editores.• L. Chinea Valdés, J. V. (2011). Segmentación de Agregados en Imágenes de Microscopía Celular de Eritrocitos Empleando
Técnicas de Procesamiento Morfológico de Imágenes. V Latin American Congress on Biomedical Engineering CLAIB 2011 . Habana, Cuba.
Bibliografía
UPV Universitat Politècnica de València 32
Estudio morfológico en conos de
crecimiento mediante análisis de
componentes principales y modelos
ocultos de Markov
Autor: Jhon Jairo Sáenz GamboaDirigido por: Ph.D. Jon Ander Gómez Adrián
Ph.D. María de la Iglesia Vayá
Valencia, EspañaMarzo, 2017
UPV Universitat Politècnica de València 34